論文の概要: TERRA: Learning Transportable Latent Actions through Temporal Effect Representation and Relational Alignment
- arxiv url: http://arxiv.org/abs/2610.09509v1
- Date: Wed, 07 Oct 2026 06:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.746293
- Title: TERRA: Learning Transportable Latent Actions through Temporal Effect Representation and Relational Alignment
- Title（参考訳）: TERRA:時間効果表現と関係アライメントによる移動可能な潜在行動の学習
- Abstract要約: 潜在アクションは、視覚的な遷移からアクションライクなコードでポリシーを監督し、その有用性は2つの質問にかかっている。
1つは時間的緊張であり、終端差は動きの展開の仕方を捨て、全列はニュアンス変化を認める。
どちらの質問も同じ場所で答えられると我々は主張する。
- 参考スコア（独自算出の注目度）: 51.29988236218471
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Latent actions supervise robot policies with action-like codes inferred from visual transitions, and their usefulness hinges on two questions: what a code keeps from a transition, and whether it still means the same thing when reused in a different initial state. The first is a tension in time: an endpoint difference discards how motion unfolds, while the full sequence admits nuisance variation. The second is left open by reconstruction, which only ever observes a latent together with the state it came from. We argue that both questions can be answered in the same place. TERRA (Temporal Effect Representation and Relational Alignment) describes a transition by a compact temporal effect, its net feature change together with a low-order within-window dynamics component, and learns a continuous latent from this effect. The same effect space then serves as the reference for reuse: Effect-Anchored Transport (EAT) decodes a latent in other initial states and anchors the resulting effect to the one observed at its source, so that the latent is shaped by what it does across contexts rather than only by the transition it came from. With frozen linear readers, TERRA predicts actions more accurately than UniVLA and a LAPA-style baseline, degrades more slowly under visual distractors, and keeps transported transitions faithful to the donor action as the recipient context moves farther away; a same-budget control shows that these gains come largely from EAT. At matched pretraining scale, the complete system reaches 93.4% average success on LIBERO, compared with 91.8% for UniVLA.
- Abstract（参考訳）: 潜在アクションは、視覚的な遷移から推測されるアクションライクなコードでロボットポリシーを監督し、その有用性は、コードが移行から何を維持しているのか、そして、それが別の初期状態で再利用された時でも、同じことを意味しているのかという2つの疑問にかかっている。
1つは時間的緊張であり、終端差は動きの展開の仕方を捨て、全列はニュアンス変化を認める。
2つ目は再建によって開放され、そこから来た状態とともに潜伏した状態のみを観察する。
どちらの質問も同じ場所で答えられると我々は主張する。
TERRA(Temporal Effect Representation and Relational Alignment)は、小型の時間効果による遷移を記述し、その純特徴は低次内風動成分とともに変化し、この効果から連続潜伏剤を学習する。
エフェクト・アンコールド・トランスポート(EAT)は、他の初期状態の潜伏者をデコードし、その結果のエフェクトをソースで観測したものにアンカーする。
凍ったリニアリーダーでは、TERRAはUniVLAやLAPAスタイルのベースラインよりも正確にアクションを予測し、視覚的邪魔の下でよりゆっくりと分解し、受信コンテキストが遠くに移動するにつれて、輸送された遷移はドナーアクションに忠実に維持される。
一致した事前訓練スケールでは、完全なシステムはLIBEROで平均93.4%、UniVLAでは91.8%に達する。
関連論文リスト
- EgoTSR++: Egocentric Spatiotemporal Reasoning for Task Progress Understanding [51.078675806865306]
VLM(Vision-Language Models)は、静的な視覚的理解において急速に進歩しているが、エゴセントリックなタスクがどのように進行しているかを判断しても信頼性が低い。
EgoTSR(EgoTSR)は,オーダーローバストなタスク・プログレス理解を診断・改善するための統合フレームワークである。
論文 参考訳（メタデータ） (2026-09-23T09:20:44Z) - What if LLMs Ate Their Words: Causal History Effects in Multi-Turn Interaction [21.294220918464525]
モデル、タスク、ターン、およびモデル内における効果がどのように現れるかは、まだ不明である。
ターン手術は、一度に1つのアシスタントターンでさらに介入する。
全体として、アシスタント生成履歴は、多ターン性能にアクティブだが選択的に影響を及ぼす。
論文 参考訳（メタデータ） (2026-09-05T05:06:01Z) - Stored in Optimizer State, Valued by Later Training: A Causal Account of Subliminal Trait Transfer [0.0]
サブリミナル・トレイト・トランスファー(Subliminal trait transfer)は、教師が生成したデータから生徒モデルが行動の振舞いを取得することを可能にする。
最近の研究は、これらの信号がどのように勾配に入るかを説明するが、ソース除去を生き延びるか、後の訓練で異なる信号を取得するかは説明していない。
我々は、将来の継続と行動の読み出しによって割り当てられた値から、観測者に依存しないソースの伝搬を分離した正確な輸送評価IDを導出する。
論文 参考訳（メタデータ） (2026-08-20T15:21:28Z) - Latent Actions from Factorized Transition Effects under Agent Ambiguity [15.872376579590437]
我々は、各遷移を、観測された遷移プリミティブのスパースセットに分解する、観測された遷移因子化(OTF)を導入する。
我々はまた、動作プリミティブを標準逆フォワード動的フレームワーク内でアクションライクな潜在子に抽象化するOTF-LAMと、凍結したDINOv2表現空間における将来の状態を予測するデコーダフリーな変種であるOTF-LAM-Dinoを提案する。
論文 参考訳（メタデータ） (2026-06-29T16:45:04Z) - EgoAction: Egocentric Action Composition with Reliability-Aware Temporal Fusion for the EPIC-KITCHENS Action Detection Challenge at CVPR 2026 [69.56534058291463]
EgoActionは、統合された分離された検出と融合パイプラインである。
パイプラインはEPICに精細化されたVideoMAE-L機能を使用し、因果時間モデルを用いて名詞と動詞の時間的検出器を分離する。
EgoActionは、エゴセントリックな時間的行動検出のためのコンパクトで再現可能なシステムを提供する。
論文 参考訳（メタデータ） (2026-05-23T10:05:56Z) - TaCo: Capturing Spatio-Temporal Semantic Consistency in Remote Sensing Change Detection [54.22717266034045]
Ta-Coは時間的意味遷移のための一貫したセマンティックネットワークである。
我々は,Ta-Coがリモートセンシング検出タスクにおいて一貫したSOTA性能を実現することを示す。
この設計は推論中に余分な計算オーバーヘッドを伴わずにかなりの利得を得ることができる。
論文 参考訳（メタデータ） (2025-11-25T13:44:29Z) - Causality $\neq$ Decodability, and Vice Versa: Lessons from Interpreting Counting ViTs [6.622603488436762]
物体計数のために微調整された視覚変換器(ViT)の関係について検討する。
アクティベーションパッチを用いて,空間トークンとCLSトークンの因果的役割を検証した。
我々は、異なる深さでカウント情報の復調性を評価するために線形プローブを訓練する。
論文 参考訳（メタデータ） (2025-10-10T18:59:03Z) - Faster Diffusion via Temporal Attention Decomposition [77.90640748930178]
テキスト条件拡散モデルにおける推論における注意機構の役割について検討する。
我々は、時間的注意づけ(TGATE)として知られるトレーニング不要の手法を開発した。
TGATEは、スケジュールされた時間ステップで注意出力をキャッシュして再利用することで、効率的に画像を生成する。
論文 参考訳（メタデータ） (2024-04-03T13:44:41Z) - Dynamical Linear Bandits [45.3190496371625]
多くの実世界のシーケンシャルな意思決定問題において、アクションはすぐにフィードバックを反映せず、その効果を長い時間枠で広げる。
これまでの研究は、遅延や集約されたフィードバックの可能性について、Multi-Armed Banditフレームワークを調査してきた。
本稿では,隠れ状態に特徴付けられる線形帯域の拡張である動的線形帯域(DLB)について紹介する。
論文 参考訳（メタデータ） (2022-11-16T15:51:44Z) - Fine-grained Temporal Contrastive Learning for Weakly-supervised
Temporal Action Localization [87.47977407022492]
本稿では,シーケンス・ツー・シーケンスの区別を文脈的に比較することで学習が,弱い教師付き行動の局所化に不可欠な帰納的バイアスをもたらすことを論じる。
微分可能な動的プログラミングの定式化の下では、FSD(Fen-fine Sequence Distance)とLCS(Longest Common Subsequence)の2つの相補的コントラストが設計されている。
提案手法は,2つのベンチマークにおいて最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-03-31T05:13:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。